Hawk 是德国慕尼黑的金融犯罪防制新创，把传统规则引擎与机器学习并行运作：规则负责监理要求的明确门槛，模型负责找出规则抓不到的异常，两者的结果一起呈现给调查员。
功能特色与适用场景
它的核心卖点是可解释性——每一则警示都能追溯到触发的规则或模型特征，让法遵人员向监理机关说明时有依据。系统设计为云原生、以 API 串接，导入速度比传统套件快，客户以欧洲的数位银行、支付机构与中小型银行为主，近年也扩张到北美。
适合成长中的数位银行、支付机构与电子货币机构——这些机构交易量已经大到人工看不完，但没有大行的预算养一套传统系统。台湾的电子支付业者若在评估洗钱防制系统升级，这类云原生方案是值得比价的选项。
主要功能
- 规则引擎与机器学习并行
- 可解释的警示追溯
- 即时交易监控
- 制裁与名单筛查
- API 优先的云原生架构
常见用途
- 数位银行交易监控
- 支付机构诈欺侦测
- 既有系统的警示优化
- 法遵调查流程数位化
主要功能
- 规则引擎与机器学习并行
- 可解释的警示追溯
- 即时交易监控
- 制裁与名单筛查
- API 优先的云原生架构
优点
- 导入速度快于传统套件
- 警示可解释，便于应对监理
- 误报降低是明确的产品诉求
缺点
- 公司规模较小，超大型机构采用案例有限
- 亚太在地支援需确认
- 云端部署对部分机构的资安政策是挑战
使用场景
- 数位银行交易监控
- 支付机构诈欺侦测
- 既有系统的警示优化
- 法遵调查流程数位化
编辑点评
反洗钱系统最大的隐形成本是人力——不是买系统的钱，是每天有多少人在看假警报。这才是该拿来评估效益的数字。
常见问题
纯机器学习不行吗？为什么还要规则？
监理要求某些情境必须有明确、可稽核的门槛（例如特定金额以上的通报），这只能靠规则。机器学习补的是规则之外的异常样态，两者是互补不是取代。
可以只用它来降低现有系统的误报吗？
可以，这是常见的导入路径：既有系统照跑，把警示送进来做二次评分与排序，风险较低、也比较容易说服内部。